（来源：磐创AI）
代码量：~3,000 行（核心） 对比：OpenClaw 530,000 行，Claude Code 更大 Token 消耗：6 倍更少（官方数据） Star：1,590（89 天，日均 18） 
3K 行 vs 53 万行。
这是什么意思？
意味着你可以完全理解它的每一行代码。
意味着没有任何黑箱。
意味着出了问题你能自己 debug。
核心问题：现有的 Agent 框架有什么问题？
看看市面上的 Agent 框架：
 
  
    
    
 
     
OpenClaw
：53 万行代码，多服务编排，复杂
 
     
Claude Code
：CLI 工具集，会话间无状态
 
     
其他框架
：预设一堆技能，膨胀冗余
 
    
它们共同的问题：
 
  
    
    
 
     
1. 预设技能太多
：出厂就有一堆功能，但大部分你永远用不到
 
     
2. 会话间无记忆
：每次开新 session，AI 什么都不记得
 
     
3. Token 消耗高
：塞了太多东西，上下文膨胀
 
    
GenericAgent 的答案
核心理念：不要预设技能，靠进化获得。
这个项目叫 GenericAgent，作者是 @lsdefine（LJQ，175 followers，13 个仓库）。
它的设计哲学是：
 
  
    
    
 
     
"don't preload skills — evolve them"
 
    
不预设技能靠进化——这才是真正的差异化。
它是怎么工作的？
1. 极简架构
核心代码：~3,000 行 Agent Loop：~100 行（agent_loop.py） 工具数量：9 个原子工具 
9 个工具，覆盖一切：
 
  
    
    
 
     
 
      
 
       
工具
 
       
功能
 code_run 
       
执行代码
 file_read 
       
读文件
 file_write 
       
写文件
 file_patch 
       
改文件
 web_scan 
       
感知网页
 web_execute_js 
       
控制浏览器
 ask_user 
       
人工确认
 
      
 
     
 
    
没了。就这 9 个。
2. 自进化机制
这是最关键的部分。
新任务 → 自主摸索（安装依赖、写脚本、调试验证）        → 固化为 Skill → 写入记忆层        → 下次同类任务直接调用 
举例：
 
  
    
    
 
     
 
      
 
       
你说
 
       
第一次 AI 做了什么
 
       
之后
 
       
"帮我读取微信消息"
 
       
安装依赖→逆向DB→写读取脚本→保存Skill
 
       
一句话调用
 
       
"监控股票并提醒我"
 
       
安装mootdx→构建选股流程→配置定时任务→保存Skill
 
       
一句话启动
 
       
"用 Gmail 发这个文件"
 
       
配置OAuth→写发送脚本→保存Skill
 
       
直接可用
 
      
 
     
 
    
用几周后，你的 Agent 实例将拥有一套任何人都没有的专属技能树。
全部从 3K 行种子代码生长而来。
3. 分层记忆系统
L0 — 元规则：基础行为约束 L1 — 记忆索引：快速路由 L2 — 全局事实：长期积累的稳定知识 L3 — 任务 Skills/SOPs：可复用流程 L4 — 会话归档：长程召回 
不只是记忆，是分层记忆。每次任务结束，AI 会自动把执行路径固化成 Skill，写入 L3。下次同类任务，直接调用。
自举证明
这个项目有一个很震撼的特性：
 
  
    
    
 
     
🤖 自举实证 — 本仓库的一切，从安装 Git、git init 到每一条 commit message，均由 GenericAgent 自主完成。作者全程未打开过一次终端。
 
    
也就是说：
这个项目的代码，是 GenericAgent 自己写的。
从初始化仓库到提交代码，全部由 AI 自主完成。
这不是演示，这是真实发生的事情。
Token 效率
官方数据：6 倍更少的 token 消耗。
对比其他框架，GenericAgent 的上下文更小，因为：
 
  
    
    
 
     
1. 
不预设海量技能
 
     
2. 
只加载当前任务相关的 Skill
 
     
3. 
分层记忆，按需召回
 
    
这意味着：
 
  
    
    
 
     
同样的上下文窗口，能处理更复杂的任务
 
     
响应更快
 
     
成本更低
 
    
多平台支持
这是另一个亮点：
 
  
    
    
 
     
微信 Bot
：扫码登录，个人微信作为前端
 
     
 Bot
：WebSocket 长连接，无需公网
 
     
飞书
：支持文本、富文本、图片、文件、交互卡片
 
     
企业微信
 
     
钉钉
 
    
一个框架，多个 Bot 前端。
你可以用微信控制你的 Agent，也可以用 ，或者飞书。
与 OpenClaw、Claude Code 对比
 
  
    
    
 
     
 
      
 
       
特性
 
       
GenericAgent
 
       
OpenClaw
 
       
Claude Code
 代码量 
       
~3K 行
 
       
~530K 行
 
       
已开源（体量大）
 部署 pip install 
       
 + API Key
 
       
多服务编排
 
       
CLI + 订阅
 浏览器控制 
       
真实浏览器（保留登录态）
 
       
沙箱/无头
 
       
MCP 插件
 自我进化 
       
自主生长 Skill
 
       
插件生态
 
       
会话间无状态
 出厂配置 
       
几个核心文件
 
       
数百模块
 
       
丰富 CLI
 
      
 
     
 
    
最大的差异：
 
  
    
    
 
     
OpenClaw 是"功能堆叠"
 
     
Claude Code 是"工具集合"
 
     
GenericAgent 是"进化系统"
 
    
被机器之心报道
2026 年 3 月 1 日，机器之心报道了这个项目。
同时，他们还发布了百万级 Skill 库，以及政务龙虾等实际应用。
这说明项目不只是技术炫技，是真的有落地场景。
我的判断
GenericAgent 解决了一个根本问题：
大多数 Agent 框架是"预设功能"，而它做的是"进化能力"。
这就像：
 
  
    
    
 
     
其他框架：给你一整套工具箱，里面有 1000 把螺丝刀，但你只用得到 3 把
 
     
GenericAgent：给你一台 3D 打印机，需要什么工具自己造
 
    
3K 行代码，不是简陋，是克制。
少即是多。
快速上手
# 克隆 git clone https://github.com/lsdefine/GenericAgent.git cd GenericAgent  # 安装 pip install streamlit pywebview  # 配置 API Key cp mykey_template.py mykey.py # 编辑 mykey.py，填入你的 LLM API Key  # 启动 python launch.pyw 
支持 Claude / Gemini / Kimi / MiniMax 等主流模型。
链接
 
  
    
    
 
     
GitHub（1.6K star）
 
     
作者 @lsdefine
 
    
3K 行代码能做到什么？
做到一个真正能进化的 Agent 框架。
这不是一个更复杂的框架，这是一个不同维度的框架。